ความผิดปกติจากสัญญาณเครื่องช่วยหายสามารถบอกได้ว่าเกิด Error ขึ้นแต่มีข้อจำกัดคือความผิดปกตินั้นไม่สามารถจำแนก Technical Error หรือ Clinical Error ได้ แต่หากนำไปวิเคราะห์แยกในกลุ่มผู้ป่วยจะสามารถจำแนกได้ว่า Error นั้นคืออะไร ซึ่งสามารถวิเคราะห์ได้โดยการสกัดฟีเจอร์ออกมาจากสัญญาณ 3 ประเภทคือ Presure, Flow และ Volume จากนั้นนำฟีเจอร์ที่สกัดได้ทำ normalize โดยใช้ Robust Scaler เนื่องจากการกระจายตัวของฟีเจอร์แต่ละฟีเจอร์นั้นมีทั้งเบ้ซ้ายและขวา จากนั้นนำมาหา ความผิดปกติในแต่ละกลุ่มด้วย Isolation Forrest ที่มีประสิทธิภาพในข้อมูลที่มีมิติที่สูง และใช้หลักการความโดเดี่ยวในการหาความผิดปกติ อีกทั้งยังไม่คำนึงถึงการกระจายตัวของข้อมูล โดยผลลัพธ์ที่ได้สามารถนำมาวิเคราะห์ข้อมูลเชิงลึกได้ 4 มิติดังนี้ 1.“ในแต่ละ Cluster อะไรคือ จุดหลัก ของความผิดปกติ?” 2.“ความผิดปกติที่พบ สัมพันธ์กับพยาธิสภาพของปอดอย่างไร?” ซึ่งจุดนี้สามารถแยก Technical Error กับ Clinical Error ได้ และบ่งบอกความสามารถในการคัดกรองสิ่งผิดปกติโดยไม่ได้เน้นไปที่จุดใดจุดหนึ่ง 3.“Anomaly ในสัญญาณเครื่องช่วยหายใจ บอกอะไรเกี่ยวกับโอกาสรอดชีวิต?” และ 4.“รูปคลื่น (Waveform) ของ Anomaly หน้าตาเป็นอย่างไร?” เพื่อเป็นประโยชน์ทางการแพทย์ต่อไป
